一种混合CNN-随机森林算法用于TEM图像中的细菌子细分和分类

科学领域:

• 显微镜的使用方法
• 计算生物学 计算生物学
• 细菌学 细菌学是一门学科.

背景情况:

• 在传输电子显微镜 (TEM) 图像中精确细分和分类细菌子层,对于理解子结构和功能至关重要.
• 目前的方法可能是劳动密集型,容易产生人为偏见,需要自动化和强大的方法.

研究的目的:

• 开发和评估一种新的混合深度学习方法,用于从TEM图像中细分和分类细菌子层.
• 评估模型的性能与现有的分类算法相比,以及其识别有损坏核心的子的能力.

主要方法:

• 开发了一种混合模型,将卷积神经网络 (CNN) 用于特征提取和随机森林 (RF) 分类器用于分类.
• 该模型在TEM图像中对细菌子进行了训练和测试,包括那些经过化学处理以诱导核心损伤的细菌子.

主要成果:

• 拟议的CNN-RF模型在测试数据上实现了73%的准确性,64%的精度,46%的灵敏度和47%的F1得分.
• 与AdaBoost,XGBoost和SVM分类器相比,该模型在非线性细分方面表现出卓越的稳定性和概括能力.
• 该模型成功识别了带有损坏核心的细菌子,并通过TEM分析进行了验证.

结论:

• 混合CNN-RF方法提供了一种有价值的自动化方法,用于识别和描述TEM图像中的细菌子特征.
• 这种方法有可能显著减少手工劳动和减轻人类在子分析中的偏见.
• 该模型检测核心损伤的能力为研究子生存能力和对环境压力因素的反应提供了新的工具.